CN116091582A - 一种基于无人机大场景图像的桥梁裂缝辩识方法及系统 - Google Patents
一种基于无人机大场景图像的桥梁裂缝辩识方法及系统 Download PDFInfo
- Publication number
- CN116091582A CN116091582A CN202310252589.3A CN202310252589A CN116091582A CN 116091582 A CN116091582 A CN 116091582A CN 202310252589 A CN202310252589 A CN 202310252589A CN 116091582 A CN116091582 A CN 116091582A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- bridge
- large scene
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明涉及土木工程计算机视觉技术领域,特别是指一种基于无人机大场景图像的桥梁裂缝辩识方法及系统。一种基于无人机大场景图像的桥梁裂缝辨识方法包括:对桥梁进行图像采集,获得大场景图像;根据大场景图像和预设的分类模型,获得裂缝高噪声数据集;根据裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型;将待辨识桥梁图片输入构件裂缝辨识模型进行计算,得到最大裂缝宽度值;将最大裂缝宽度值输入显示器显示。本发明是一种结合无人机采集方法和大场景构件图像的高效、精确的混凝土结构桥梁的裂缝特征辨识方法。
Description
技术领域
本发明涉及土木工程计算机视觉技术领域,特别是指一种基于无人机大场景图像的桥梁裂缝辩识方法及系统。
背景技术
现今我国已建混凝土结构桥梁数量庞大。桥梁出现裂缝是最常见的缺陷,会缩短桥梁服役周期,甚至威胁桥梁结构安全。而桥梁待检裂缝宽度限值较大的构件(如桥面,护栏等)在检测方面存在耗时多、精度低、成本高等问题。
目前,除了成本昂贵的桥梁裂缝人工检测方法,应用前沿的技术主要以图像识别为主,其中图像采集尤以贴墙机器人和无人机等可移动设备应用最广泛。这种方式在桥梁裂缝辨识方面能极大提高精度和降低成本。因此,不少学者致力于利用图像识别开展桥梁裂缝检测研究。这些研究以桥梁构件的局部图像为主,裂缝识别准确率虽高,但所需采集图像的数量巨大,导致检测效率低,在实际应用中颇具挑战。
在实际应用中,大场景构件图像像素低,可能导致裂缝检测精度下降,但是桥梁不同构件的待检裂缝宽度限值不同,对于待检裂缝宽度限值较大的构件,使用大场景图像更为高效。
因此,在现有技术中缺乏一种结合无人机采集方法和大场景构件图像的高效、精确的混凝土结构桥梁的裂缝特征辨识方法。
发明内容
本发明实施例提供了一种基于无人机大场景图像的桥梁裂缝辩识方法及系统。所述技术方案如下:
一方面,提供了一种基于无人机大场景图像的桥梁裂缝辩识方法,该方法由电子设备实现,该方法包括:
对桥梁进行图像采集,获得大场景图像;
根据所述大场景图像和预设的分类模型,获得裂缝高噪声数据集;
根据所述裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型;
将待辨识桥梁图片输入所述构件裂缝辨识模型进行计算,得到最大裂缝宽度值;
将所述最大裂缝宽度值输入显示器显示。
可选地,所述对桥梁进行图像采集,获得大场景图像,包括:
根据拍摄条件和设备参数选择图像重叠度和正摄距离;
根据拍摄任务制定飞行路径;
根据所述图像重叠度、所述正摄距离和所述飞行路径进行大场景图像采集。
可选地,所述根据所述大场景图像和预设的分类模型,获得裂缝高噪声数据集,包括:
根据所述大场景图像进行网络分割,获得小尺寸子图像;
将所述小尺寸子图像通过预设的分类网络区进行图像分类,获得含背景的桥梁构件图像;
对所述含背景的桥梁构件图像进行背景去噪操作,获得桥梁构件图像;
根据所述桥梁构件图像进行数据处理,获得裂缝高噪声数据集。
可选地,所述根据所述裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型,包括:
对所述裂缝高噪声数据集进行划分,获得训练集和验证集;
根据所述训练集对单阶段深度学习网络模型采用迁移学习算法进行训练,获得构件裂缝辨识模型;
使用所述验证集对构件裂缝辨识模型进行可靠性验证。
可选地,所述将待辨识桥梁图片输入所述构件裂缝辨识模型进行计算,得到最大裂缝宽度值,包括:
将待辨识桥梁图片输入所述构件裂缝辨识模型,获得含裂缝区域图像;
读取含裂缝区域图像的信息,获得裂缝参数;
对所述含裂缝区域图像中目标区域进行剪裁,获得目标裂缝区域图像;
对所述目标裂缝区域图像进行像素加强,获得加强目标区域图像;
基于所述加强目标区域图像和裂缝参数,通过轮廓最大内切圆理论进行计算,获得最大裂缝宽度值。
另一方面,提供了一种基于无人机大场景图像的桥梁裂缝辩识系统,该系统应用于一种基于无人机大场景图像的桥梁裂缝辩识方法,所述一种基于无人机大场景图像的桥梁裂缝辨识系统包括无人机、电子设备和显示器,其中:
所述无人机,用于对桥梁进行图像采集,获得大场景图像;
所述电子设备,用于根据所述大场景图像和预设的分类模型,获得裂缝高噪声数据集;根据所述裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型;将待辨识桥梁图片输入所述构件裂缝辨识模型进行计算,得到最大裂缝宽度值;
所述显示器,用于将所述最大裂缝宽度值输入显示器显示。
可选地,所述无人机,进一步用于:
根据拍摄条件和设备参数选择图像重叠度和正摄距离;
根据拍摄任务制定飞行路径;
根据所述图像重叠度、所述正摄距离和所述飞行路径进行大场景图像采集。
可选地,所述电子设备,进一步用于:
根据所述大场景图像进行网络分割,获得小尺寸子图像;
将所述小尺寸子图像通过预设的分类网络区进行图像分类,获得含背景的桥梁构件图像;
对所述含背景的桥梁构件图像进行背景去噪操作,获得桥梁构件图像;
根据所述桥梁构件图像进行数据处理,获得裂缝高噪声数据集。
可选地,所述电子设备,进一步用于:
对所述裂缝高噪声数据集进行划分,获得训练集和验证集;
根据所述训练集对单阶段深度学习网络模型采用迁移学习算法进行训练,获得构件裂缝辨识模型;
使用所述验证集对构件裂缝辨识模型进行可靠性验证。
可选地,所述电子设备,进一步用于:
将待辨识桥梁图片输入所述构件裂缝辨识模型,获得含裂缝区域图像;
读取含裂缝区域图像的信息,获得裂缝参数;
对所述含裂缝区域图像中目标区域进行剪裁,获得目标裂缝区域图像;
对所述目标裂缝区域图像进行像素加强,获得加强目标区域图像;
基于所述加强目标区域图像和裂缝参数,通过轮廓最大内切圆理论进行计算,获得最大裂缝宽度值。
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述一种基于无人机大场景图像的桥梁裂缝辩识方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述一种基于无人机大场景图像的桥梁裂缝辩识方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明提出一种基于无人机大场景图像的桥梁裂缝辨识方法,利用无人机大场景图像,实现桥梁构件裂缝特征的高效辨识,尤其是对裂缝待检宽度宽度限值较大的桥梁构件,具有更高的检测识别精度和图像采集效率,为桥梁运维管理提供技术支持。有利于降低桥梁裂缝检测成本,适合辅助桥梁构件裂缝修复决策。本发明是一种结合无人机采集方法和大场景构件图像的高效、精确的混凝土结构桥梁的裂缝特征辨识方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于无人机大场景图像的桥梁裂缝辩识方法流程图;
图2是本发明实施例提供的桥梁构件图像航拍路径示意图;
图3是本发明实施例提供的桥梁大场景图像背景去噪结果示意图;
图4是本发明实施例提供的桥梁裂缝兴趣区域和最大裂缝宽度可视化结果图;
图5是本发明实施例提供的一种基于无人机大场景图像的桥梁裂缝辩识系统框图;
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种基于无人机大场景图像的桥梁裂缝辩识方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的一种基于无人机大场景图像的桥梁裂缝辩识方法流程图,该方法的处理流程可以包括如下的步骤:
S1、对桥梁进行图像采集,获得大场景图像。
可选地,对桥梁进行图像采集,获得大场景图像,包括:
根据拍摄条件和设备参数选择图像重叠度和正摄距离;
根据拍摄任务制定飞行路径;
根据图像重叠度、正摄距离和飞行路径进行大场景图像采集。
一种可行的实施方式中,针对待检裂缝宽度限值较大的桥梁构件,先选择合适的图像重叠度和正摄距离。
图像重叠度是在5%-10%范围内的横向重叠率;无人机距离桥侧航拍距离要求是当裂缝误差控制在5%以内时,对于3mm裂缝的最大正摄距离为2.5m;对于5mm裂缝的最大正摄距离为4.5m。
根据相机参数、航拍距离、图像重叠度计算最大航拍间距。最后通过规划无人机的飞行路径,确保航拍间距在一定范围时,绕桥梁侧向飞行,完成桥梁的大场景图像采集。
如图2桥梁构件图像航拍路径示意图,A、B为相邻的两个航拍点,d为航拍间距、f为相机焦距、l为影像传感器的航向尺寸、D为相机到拍摄物表面的正摄距离、L为航拍图像对应的实际物理长度、为重叠长度。
当使用固定焦距镜头无人机拍摄时,f、l固定不变,根据几何比例关系,得到航拍图像对应的实际物理长度L与相机到拍摄物的正摄距离D的数学关系表达式如下式(1)所示:
航拍过程中,图像重叠度R的计算公式如下式(2)所示:
由几何比例关系可知,航拍间距d可由公式(3)计算:
其中,相机正摄距离D可根据裂缝拍摄精度控制需求和实际拍摄条件确定。
本发明以河北省武强县平安北路跨天平沟的一座梁式桥为例,位于武强县医院北侧,总长约60米,宽约16米,为钢筋混凝土结构。采用本发明方法对裂缝待检宽度限值较大的防撞护栏开展裂缝检测。采用了DJI Phantom 4无人机,搭载Sony Exmor R CMOS影像传感器,相机焦距f为3.43mm,影像传感器的航向尺寸l为6.17mm。在拍摄过程中,图像重叠度为10%,镜头距桥梁表面D为3 m,计算所得航拍间距d为4.86m,单侧采集大场景图像13张。
S2、根据大场景图像和预设的分类模型,获得裂缝高噪声数据集。
可选地,根据大场景图像和预设的分类模型,获得裂缝高噪声数据集,包括:
根据大场景图像进行网络分割,获得小尺寸子图像;
将小尺寸子图像通过预设的分类网络区进行图像分类,获得含背景的桥梁构件图像;
对含背景的桥梁构件图像进行背景去噪操作,获得桥梁构件图像;
根据桥梁构件图像进行数据处理,获得裂缝高噪声数据集。
一种可行的实施方式中,将上述步骤中采集的13张像素的大场景图像批量分割成2496张像素的小尺寸子图像。在2496张子图像中,共得到1142张含混凝土类别图像,作为分类网络背景去噪与裂缝识别的数据集。其中,小尺寸子图像是指200-320像素的子图像。
再将子图像输入到训练好的轻量级卷积神经网络MobileNet网络,用于区分纯背景图像与含混凝土构件图像;最后通过去除背景类别的数据实现大面积复杂背景去噪,桥梁大场景图像背景去噪效果如图3所示。
选取分类背景去噪得到的含混凝土构件图像2906张,并使用LabelMe软件标记以最小矩形框的形式标注裂缝,形成高噪音裂缝样本集;再通过位置变换等方式增加样本数量,得到5910张桥梁大场景裂缝图像的高噪声数据集。桥梁混凝土图像训练数据集大小至少400张。
S3、根据裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型。
可选地,根据裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型,包括:
对裂缝高噪声数据集进行划分,获得训练集和验证集;
根据训练集对单阶段深度学习网络模型采用迁移学习算法进行训练,获得构件裂缝辨识模型;
使用验证集对构件裂缝辨识模型进行可靠性验证。
一种可行的实施方式中,将裂缝高噪声数据集按照8:2的比例划分为训练集和验证集,利用迁移学习算法来训练一种用于图像检测的深度学习算法第5版本(You OnlyLook Once,YOLOv5),并根据训练结果计算准确率-召回率曲线。
在预训练模型YOLOv5的基础上,参考准确率-召回率曲线进行参数微调,并根据硬件设备的性能设置每批次的输入量,将训练集输入网络进行迭代训练,得到构建裂缝辨识模型。
S4、将待辨识桥梁图片输入构件裂缝辨识模型进行计算,得到最大裂缝宽度值。
可选地,将待辨识桥梁图片输入构件裂缝辨识模型进行计算,得到最大裂缝宽度值,包括:
将待辨识桥梁图片输入构件裂缝辨识模型,获得含裂缝区域图像;
读取含裂缝区域图像的信息,获得裂缝参数;
对含裂缝区域图像中目标区域进行剪裁,获得目标裂缝区域图像;
对目标裂缝区域图像进行像素加强,获得加强目标区域图像;
基于加强目标区域图像和裂缝参数,通过轮廓最大内切圆理论进行计算,获得最大裂缝宽度值。
一种可行的实施方式中,将待辨识的桥梁图片,输入训练好的构建裂缝辨识模型,将裂缝辨识得到的裂缝检测框作为含裂缝的目标区域,遍历读取检测框位置信息文件,将每个文件中的内容自动分析存储为一个数组,将所有文件处理得到的数组赋值存储于一个列表中,再通过遍历图像文件,得到图像列表,完成检测框位置与图像的对应。
再根据列表中的裂缝具体信息,裁剪含裂缝的兴趣区域;同时,对剪裁含裂缝的兴趣区域二值化处理,并确定裂缝轮廓;然后,对裂缝兴趣区域进行1-20倍不同倍数的像素加密,并随机选取1/10-1/5的轮廓内部像素点,计算并更新轮廓最大内切圆。
根据目标区域的轮廓最大内切圆理进行计算,获得最大裂缝宽度值。
S5、将最大裂缝宽度值输入显示器显示。
一种可行的实施方式中,将最大裂缝宽度值输入显示器完成可视化,桥梁裂缝目标区域和最大裂缝宽度可视化效果如图4所示。大场景构件图像像素较低,裂缝检测的精度相应的会有所下降。对于待检裂缝宽度限值较小的构件,并不会影响检验结果;对于待检裂缝宽度限值较大的构件,基于处理大场景图像更为高效。
因此,本发明通过设计无人机桥梁大场景图像采集方法,再结合网格分割与分类网络的背景去噪算法,提取出最大裂缝宽度值等特征,从而实现图像采集和裂缝辨识的高效性,为桥梁裂缝宽度限值较大构件的裂缝特征辨识提供了新方案。
本发明提出一种基于无人机大场景图像的桥梁裂缝辨识方法,利用无人机大场景图像,实现桥梁构件裂缝特征的高效辨识,尤其是对裂缝待检宽度宽度限值较大的桥梁构件,具有更高的检测识别精度和图像采集效率,为桥梁运维管理提供技术支持。有利于降低桥梁裂缝检测成本,适合辅助桥梁构件裂缝修复决策。本发明是一种结合无人机采集方法和大场景构件图像的高效、精确的混凝土结构桥梁的裂缝特征辨识方法。
图5是根据一示例性实施例示出的一种基于无人机大场景图像的桥梁裂缝辩识系统框图。参照图5,一种基于无人机大场景图像的桥梁裂缝辨识系统包括无人机、电子设备和显示器,其中:
无人机510,用于对桥梁进行图像采集,获得大场景图像;
电子设备520,用于根据大场景图像和预设的分类模型,获得裂缝高噪声数据集;根据裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型;将待辨识桥梁图片输入构件裂缝辨识模型进行计算,得到最大裂缝宽度值;
显示器530,用于将最大裂缝宽度值输入显示器显示。
可选地,无人机510,进一步用于:
根据拍摄条件和设备参数选择图像重叠度和正摄距离;
根据拍摄任务制定飞行路径;
根据图像重叠度、正摄距离和飞行路径进行大场景图像采集。
可选地,电子设备520,进一步用于:
根据大场景图像进行网络分割,获得小尺寸子图像;
将小尺寸子图像通过预设的分类网络区进行图像分类,获得含背景的桥梁构件图像;
对含背景的桥梁构件图像进行背景去噪操作,获得桥梁构件图像;
根据桥梁构件图像进行数据处理,获得裂缝高噪声数据集。
可选地,电子设备520,进一步用于:
对裂缝高噪声数据集进行划分,获得训练集和验证集;
根据训练集对单阶段深度学习网络模型采用迁移学习算法进行训练,获得构件裂缝辨识模型;
使用验证集对构件裂缝辨识模型进行可靠性验证。
可选地,电子设备520,进一步用于:
将待辨识桥梁图片输入构件裂缝辨识模型,获得含裂缝区域图像;
读取含裂缝区域图像的信息,获得裂缝参数;
对含裂缝区域图像中目标区域进行剪裁,获得目标裂缝区域图像;
对目标裂缝区域图像进行像素加强,获得加强目标区域图像;
基于加强目标区域图像和裂缝参数,通过轮廓最大内切圆理论进行计算,获得最大裂缝宽度值。
本发明提出一种基于无人机大场景图像的桥梁裂缝辨识方法,利用无人机大场景图像,实现桥梁构件裂缝特征的高效辨识,尤其是对裂缝待检宽度宽度限值较大的桥梁构件,具有更高的检测识别精度和图像采集效率,为桥梁运维管理提供技术支持。有利于降低桥梁裂缝检测成本,适合辅助桥梁构件裂缝修复决策。本发明是一种结合无人机采集方法和大场景构件图像的高效、精确的混凝土结构桥梁的裂缝特征辨识方法。
图6是本发明实施例提供的一种电子设备600的结构示意图,该电子设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)601和一个或一个以上的存储器602,其中,所述存储器602中存储有至少一条指令,所述至少一条指令由所述处理器601加载并执行以实现上述一种基于无人机大场景图像的桥梁裂缝辩识方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述一种基于无人机大场景图像的桥梁裂缝辩识方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于无人机大场景图像的桥梁裂缝辩识方法,其特征在于,所述方法包括:对桥梁进行图像采集,获得大场景图像;根据所述大场景图像和预设的分类模型,获得裂缝高噪声数据集;根据所述裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型;将待辨识桥梁图片输入所述构件裂缝辨识模型进行计算,得到最大裂缝宽度值;将所述最大裂缝宽度值输入显示器显示。
2.根据权利要求1所述的一种基于无人机大场景图像的桥梁裂缝辩识方法,其特征在于,所述对桥梁进行图像采集,获得大场景图像,包括:根据拍摄条件和设备参数选择图像重叠度和正摄距离;根据拍摄任务制定飞行路径;根据所述图像重叠度、所述正摄距离和所述飞行路径进行大场景图像采集。
3.根据权利要求1所述的一种基于无人机大场景图像的桥梁裂缝辩识方法,其特征在于,所述根据所述大场景图像和预设的分类模型,获得裂缝高噪声数据集,包括:根据所述大场景图像进行网络分割,获得小尺寸子图像;将所述小尺寸子图像通过预设的分类网络区进行图像分类,获得含背景的桥梁构件图像;对所述含背景的桥梁构件图像进行背景去噪操作,获得桥梁构件图像;根据所述桥梁构件图像进行数据处理,获得裂缝高噪声数据集。
4.根据权利要求1所述的一种基于无人机大场景图像的桥梁裂缝辩识方法,其特征在于,所述根据所述裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型,包括:对所述裂缝高噪声数据集进行划分,获得训练集和验证集;根据所述训练集对单阶段深度学习网络模型采用迁移学习算法进行训练,获得构件裂缝辨识模型;使用所述验证集对构件裂缝辨识模型进行可靠性验证。
5.根据权利要求1所述的一种基于无人机大场景图像的桥梁裂缝辩识方法,其特征在于,所述将待辨识桥梁图片输入所述构件裂缝辨识模型进行计算,得到最大裂缝宽度值,包括:将待辨识桥梁图片输入所述构件裂缝辨识模型,获得含裂缝区域图像;读取含裂缝区域图像的信息,获得裂缝参数;对所述含裂缝区域图像中的目标区域进行剪裁,获得目标裂缝区域图像;对所述目标裂缝区域图像进行像素加强,获得加强目标区域图像;基于所述加强目标区域图像和裂缝参数,通过轮廓最大内切圆理论进行计算,获得最大裂缝宽度值。
6.一种基于无人机大场景图像的桥梁裂缝辩识系统,其特征在于,所述系统包括无人机、电子设备和显示器,其中:所述无人机,用于对桥梁进行图像采集,获得大场景图像;所述电子设备,用于根据所述大场景图像和预设的分类模型,获得裂缝高噪声数据集;根据所述裂缝高噪声数据集对单阶段深度学习网络模型进行训练,获得构件裂缝辨识模型;将待辨识桥梁图片输入所述构件裂缝辨识模型进行计算,得到最大裂缝宽度值;所述显示器,用于将所述最大裂缝宽度值输入显示器显示。
7.根据权利要求6所述的一种基于无人机大场景图像的桥梁裂缝辩识系统,其特征在于,所述无人机,进一步用于:根据拍摄条件和设备参数选择图像重叠度和正摄距离;根据拍摄任务制定飞行路径;根据所述图像重叠度、所述正摄距离和所述飞行路径进行大场景图像采集。
8.根据权利要求6所述的一种基于无人机大场景图像的桥梁裂缝辩识系统,其特征在于,所述电子设备,进一步用于:根据所述大场景图像进行网络分割,获得小尺寸子图像;将所述小尺寸子图像通过预设的分类网络区进行图像分类,获得含背景的桥梁构件图像;对所述含背景的桥梁构件图像进行背景去噪操作,获得桥梁构件图像;根据所述桥梁构件图像进行数据处理,获得裂缝高噪声数据集。
9.根据权利要求6所述的一种基于无人机大场景图像的桥梁裂缝辩识系统,其特征在于,所述电子设备,进一步用于:对所述裂缝高噪声数据集进行划分,获得训练集和验证集;根据所述训练集对单阶段深度学习网络模型采用迁移学习算法进行训练,获得构件裂缝辨识模型;使用所述验证集对构件裂缝辨识模型进行可靠性验证。
10.根据权利要求6所述的一种基于无人机大场景图像的桥梁裂缝辩识系统,其特征在于,所述电子设备,进一步用于:将待辨识桥梁图片输入所述构件裂缝辨识模型,获得含裂缝区域图像;读取含裂缝区域图像的信息,获得裂缝参数;对所述含裂缝区域图像中的目标区域进行剪裁,获得目标裂缝区域图像;对所述目标裂缝区域图像进行像素加强,获得加强目标区域图像;基于所述加强目标区域图像和裂缝参数,通过轮廓最大内切圆理论进行计算,获得最大裂缝宽度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310252589.3A CN116091582A (zh) | 2023-03-16 | 2023-03-16 | 一种基于无人机大场景图像的桥梁裂缝辩识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310252589.3A CN116091582A (zh) | 2023-03-16 | 2023-03-16 | 一种基于无人机大场景图像的桥梁裂缝辩识方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091582A true CN116091582A (zh) | 2023-05-09 |
Family
ID=86204684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310252589.3A Pending CN116091582A (zh) | 2023-03-16 | 2023-03-16 | 一种基于无人机大场景图像的桥梁裂缝辩识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091582A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921813A (zh) * | 2018-05-16 | 2018-11-30 | 中设设计集团股份有限公司 | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 |
CN111860106A (zh) * | 2020-05-28 | 2020-10-30 | 江苏东印智慧工程技术研究院有限公司 | 一种无监督的桥梁裂缝识别方法 |
CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
CN114677601A (zh) * | 2022-04-12 | 2022-06-28 | 雅砻江流域水电开发有限公司 | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 |
CN114693615A (zh) * | 2022-03-17 | 2022-07-01 | 常州工学院 | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 |
CN114937167A (zh) * | 2022-05-05 | 2022-08-23 | 南京交通工程检测有限责任公司 | 一种复杂背景下桥梁路面裂缝图像裂缝检测方法 |
US11600061B1 (en) * | 2021-10-18 | 2023-03-07 | Rainbowtech Co., Ltd. | Method and system for maintaining bridge using bridge image data |
-
2023
- 2023-03-16 CN CN202310252589.3A patent/CN116091582A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921813A (zh) * | 2018-05-16 | 2018-11-30 | 中设设计集团股份有限公司 | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 |
CN111860106A (zh) * | 2020-05-28 | 2020-10-30 | 江苏东印智慧工程技术研究院有限公司 | 一种无监督的桥梁裂缝识别方法 |
CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
US11600061B1 (en) * | 2021-10-18 | 2023-03-07 | Rainbowtech Co., Ltd. | Method and system for maintaining bridge using bridge image data |
CN114693615A (zh) * | 2022-03-17 | 2022-07-01 | 常州工学院 | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 |
CN114677601A (zh) * | 2022-04-12 | 2022-06-28 | 雅砻江流域水电开发有限公司 | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 |
CN114937167A (zh) * | 2022-05-05 | 2022-08-23 | 南京交通工程检测有限责任公司 | 一种复杂背景下桥梁路面裂缝图像裂缝检测方法 |
Non-Patent Citations (1)
Title |
---|
陈禹历: "基于无人机的桥梁结构裂缝自动检测及其状态识别与预测", 《海峡科技与产业》, vol. 35, no. 6, pages 70 - 72 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
Gnanaprakash et al. | Automatic number plate recognition using deep learning | |
CN110569878B (zh) | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 | |
CN110599537A (zh) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
CN111860439A (zh) | 一种无人机巡检图像缺陷检测方法、系统及设备 | |
CN112966665A (zh) | 路面病害检测模型训练方法、装置和计算机设备 | |
CN110223202B (zh) | 一种教学道具识别与评分的方法及系统 | |
CN113822278A (zh) | 一种无受限场景车牌识别方法 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN114663389A (zh) | 光伏组件热斑检测方法、设备及存储介质 | |
Chen et al. | Robust vehicle detection and counting algorithm adapted to complex traffic environments with sudden illumination changes and shadows | |
Huang et al. | Visual detection and image processing of parking space based on deep learning | |
Oskouie et al. | A data quality-driven framework for asset condition assessment using LiDAR and image data | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN116091582A (zh) | 一种基于无人机大场景图像的桥梁裂缝辩识方法及系统 | |
KR102416714B1 (ko) | 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN116503760A (zh) | 基于自适应边缘特征语义分割的无人机巡航检测方法 | |
CN111008635A (zh) | 一种基于ocr的多票据自动识别方法及识别系统 | |
Li et al. | Automatic positioning of street objects based on self-adaptive constrained line of bearing from street-view images | |
Ranyal et al. | Enhancing pavement health assessment: An attention-based approach for accurate crack detection, measurement, and mapping | |
Maslan et al. | A System for the Automatic Detection and Evaluation of the Runway Surface Cracks Obtained by Unmanned Aerial Vehicle Imagery Using Deep Convolutional Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |